基于物品的协同过滤(ItemCF)是怎么做的?
0 738
0
该提问暂无详细描述
收藏
2021-06-07 15:35 更新 怪瘦的钱包 •  30
共 1 个回答
高赞 时间
0

基于物品的协同过滤算法的核心思想:给用户推荐那些和他们之前喜欢的物品相似的物品。

基于物品的协同过滤算法首先计算物品之间的相似度, 计算相似度的方法有以下几种:

  1. 基于共同喜欢物品的用户列表计算

    在此,分母中 N(i) 是购买物品 i 的用户数,N(j) 是购买物品 j 的用户数,而分子 是同时购买物品i 和物品 j 的用户数。可见上述的公式的核心是计算同时购买这件商品的人数比例 。当同时购买这两个物品人数越多,他们的相似度也就越高。另外值得注意的是,在分母中我们用了物品总购买人数做惩罚,也就是说某个物品可能很热门,导致它经常会被和其他物品一起购买,所以除以它的总购买人数,来降低它和其他物品的相似分数。

  2. 基于余弦的相似度计算

    上面的方法计算物品相似度是直接使同时购买这两个物品的人数。但是也有可能存在用户购买了但不喜欢的情况 所以如果数据集包含了具体的评分数据 我们可以进一步把用户评分引入到相似度计算中 。

其中 是用户 k 对物品 i 的评分,如果没有评分则为 0。

  1. 热门物品的惩罚

    对于热门物品的问题,可以用如下公式解决:

    时,N(i) 越小,惩罚得越厉害,从而会使热门物品相关性分数下降。

参考: https://github.com/NLP-LOVE/ML-NLP

收藏
2021-06-07 15:58 更新 酒量大的路灯 •  29